CN112506635B - 基于自适应策略的进化免疫方法 - Google Patents

基于自适应策略的进化免疫方法 Download PDF

Info

Publication number
CN112506635B
CN112506635B CN202011461165.0A CN202011461165A CN112506635B CN 112506635 B CN112506635 B CN 112506635B CN 202011461165 A CN202011461165 A CN 202011461165A CN 112506635 B CN112506635 B CN 112506635B
Authority
CN
China
Prior art keywords
population
offspring
evolution operator
differential evolution
adaptive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011461165.0A
Other languages
English (en)
Other versions
CN112506635A (zh
Inventor
陈晓纪
海滨
王磊
李龙飞
陆发燕
张淑芳
胡张飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chery Automobile Co Ltd
Original Assignee
Chery Automobile Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chery Automobile Co Ltd filed Critical Chery Automobile Co Ltd
Priority to CN202011461165.0A priority Critical patent/CN112506635B/zh
Publication of CN112506635A publication Critical patent/CN112506635A/zh
Application granted granted Critical
Publication of CN112506635B publication Critical patent/CN112506635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于自适应策略的进化免疫方法，包括：S1、初始化参数及构建差分演化算子池；S2、随机选择差分演化算子，生成种群中的免疫个体；S3、将种群划分为大小相同的若干子种群，计算免疫个体的各目标值，排序保留各目标值下的精英解；S4、针对每个子种群，基于子种群中后代与父代的自适应值改进率来选择差分演化算子克隆后代；S5、基于非支配排序策略，获得所有子种群中的非支配解，并构建精英解集；S6、更新个体评价次数，执行步骤S4，直至个体评价次数达到次数阈值，输出最优解。利用滑动窗口保存每个演化算子生成种群个体的适应值，评估每个演化算子的优劣，以自适应的方式选择最优的演化算子执行种群优化。

Description

基于自适应策略的进化免疫方法
技术领域
本发明涉及到雾计算技术领域，提供了一种基于自适应策略的进化免疫方法。
背景技术
目前，雾计算受到国内外研究人员的广泛关注。雾计算由分散的终端设备、边缘服务器、网络互联设备等组成，可以提供计算卸载、存储资源等服务。雾计算可以看作是云计算的网络延伸，具有时延低、实时交互、位置感知和移动支持等特点。由于雾计算服务器距离移动终端近，移动终端将任务传输至雾计算所需要的传输时延小，所以移动终端将计算复杂和较高时延需求的应用卸载到雾计算中，同时也节省了移动终端传输能耗和传输至云上的链路带宽。然而与云服务器相比，雾服务器计算能力较低。雾计算资源管理和调度问题是影响雾计算服务性能的关键，尤其是在出现大规模的服务请求时，若资源调度问题得不到有效解决，就会增加服务延迟、降低资源利用率和用户满意度等问题。在雾计算资源管理和调度中，需要同时考虑任务时间延时、能源消耗量、计费等多个目标。在雾计算资源管理与调度中，如何同时优化这些目标函数，成为当前的难点。
近年来，免疫算法成为解决多目标优化问题的主流算法之一。然而，传统的免疫算法，仅使用单一演化算子执行种群进化过程，这可能会导致难以处理复杂的多目标优化问题。即使采用不同的进化算子进行结合，也需要调整多个参数，难以平衡种群收敛性与多样性。
发明内容
本发明提供了一种基于自适应策略的进化免疫方法，旨在改善上述问题。
本发明是这样实现的，一种基于自适应策略的进化免疫方法，所述方法具体包括如下步骤：
S1、初始化参数及构建差分演化算子池；
S2、种群初始化：从分演化算子池中随机选择差分演化算子，生成种群中的免疫个体，一个免疫个体对应一种雾计算的资源调度方案；
S3、将种群划分为大小相同的若干子种群，计算免疫个体的各目标值，排序保留各目标值下的精英解；
S4、针对每个子种群，基于子种群中后代与父代的自适应值改进率来选择差分演化算子克隆后代；
S5、基于非支配排序策略，获得所有子种群中的非支配解，并构建精英解集；
S6、更新个体评价次数，执行步骤S4，直至个体评价次数达到次数阈值，输出最优解。
进一步的，目标值基于目标函数来进行计算，所述目标函数由任务完成的时延目标函数、雾节点执行该任务的能源消耗目标函数、及雾节点执行该任务时产生的费用目标函数组成。
进一步的，所述步骤S4具体包括如下步骤：
S41、定义滑动窗口，滑动窗口用于保存后代与父代之间适应值改进率及对应差分演化算子索引的二维数组结构；
S42、将子种群中的各后代与父代间的适应值改进率及选择的差分演化算子索引放入滑动窗口内，直至滑动窗口满；
S43、选择滑动窗口中最大适应值改进率对应的差分演化算子来对所在的子种群执行后代个体的克隆。
进一步的，适应值改进率FIR的计算公式具体如下：
其中，pfi表示子代个体的第i个目标值，cfi表示父代个体的第i个目标值。
进一步的，在将子种群中的后代及父代的适应值改进率及选择的差分演化算子均放入滑动窗口内后，若滑动窗口未满，则随机选择精英解与随机选择的差分演化算子生成后代个体，将后代与父代间的适应值改进率及其选择的差分演化算子放入滑动窗口内，直至滑动窗口填满。
进一步的，时延目标函数具体如下：其中，RTi,j为当前任务i在虚拟资源j上的理论运行时间，TCi,j＝1表示当前任务i在虚拟资源j上运行，反之TCi,j＝0；
能源消耗目标函数表示如下：其中，ECij表示在虚拟资源i中，任务j运行需要耗费的能源；
费用目标函数具体如下：O3＝RTi,j*perDJ；其中，RTi,j表示计算任务i在虚拟资源j中的运行时间，perDJ表示雾节点资源的计算单价。
进一步的，差分演化算子池由至少2两个差分演化算子组成。
本发明设计了一种新颖的基于自适应策略的进化免疫方法，用于优化雾计算资源管理和调度问题。在本方法中，多个差分演化算子组成差分演化算子池。在种群优化过程中，利用滑动窗口保存每个演化算子生成种群个体的适应值，评估每个演化算子的优劣，以自适应的方式选择最优的演化算子执行种群优化过程。本发明改进免疫算法，融合不同的差分演化算子，用于解决多目标雾计算资源管理和调度问题。
附图说明
图1为本发明实施例提供的雾计算资源调度方案的示意图；
图2为本发明实施例提供的基于自适应策略的进化免疫方法流程图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
Step 1.参数初始化及基因表示
首先，初始化雾计算节点数量、存储容量、能源消耗等参数；然后，初始化请求处理的任务数量与数据量大小；根据任务数量与雾计算节点数量，初始化种群规模以及种群个体的基因编码表示如图1所示；其中，ti表示计算任务编号，i∈[1，m]，rj表示资源编号，j∈[1，n]。按照上述的编码方式可以得到对应的解码为r3:{t1}，r1:{t2}，r2:{t3}，…，rn:{tm}，由此可以看出，每一个个体对应一种雾计算资源调度的执行方案。
Step 2.构建差分演化算子池
1)“DE/rand/1”变异策略：是最常用的变异策略，其中所有差异向量都是随机从进化群体中选择的。因此，它对任何特殊搜索方向都没有偏见，每次随机选择一个新的搜索方向。
2)“DE/rand/2”变异策略：利用两个差分向量，可能比“DE/rand/1”具有更大的扰动信息量。
3)“DE/current-to-rand/1”变异策略：将当前解与两个差分向量进行相加操作，以此来加速收敛。
Step 3.雾计算目标函数
(1)时延：每个具体任务完成时间是从任务提交开始，到任务计算完成反馈给用户为止。本研究中，时延定义为所有任务中完成时间最长的任务所用时间，时延目标函数的计算公式具体如下：
其中，RTi,j为当前任务i在虚拟资源j上的理论运行时间，TCi,j＝1表示当前任务i在虚拟资源j上运行，反之TCi,j＝0。
(2)能源消耗量：第二个目标函数定义为每个雾计算节点执行计算任务能源消耗量，能源消耗目标函数的计算公式具体如下：
其中，ECij表示在虚拟资源i中，任务j运行需要耗费的能源。
(3)计费：第三个目标函数定义为每个雾计算节点执行计算任务时产生的费用，费用目标函数的计算公式具体如下：
O3＝RTi,j*perDJ
其中，RTi,j表示计算任务i在虚拟资源j中的运行时间，perDJ表示雾节点资源的计算单价。
图2为本发明实施例提供的基于自适应策略的进化免疫方法流程图，该方法具体包括如下步骤：
S1、初始化参数及构建差分演化算子池；
S2、种群初始化：从差分演化算子池随机选择差分演化算子，生成种群中的免疫个体，重复执行，直至群体中的免疫个体数量达到指定数量；
S3、对种群进行划分，划分为大小相同的若干子种群，计算各免疫个体的目标值，包括时延目标、能源消耗目标及费用目标值，排序保留各目标值下的精英集。
S4、针对每个子种群，基于自适应值改进率来选择差分演化算子生成后代。
在本发明实施例中，步骤S4具体包括如下步骤：
S41、定义滑动窗口，滑动窗口定义为二维数组结构，用于保存后代与父代之间适应值改进率及当前差分演化算子的索引。
在本发明实施例中，后代与父代的适应值改进率FIR计算公式具体如下：
其中，pfi表示子代个体的第i个目标值，cfi表示父代个体的第i个目标值。
S42、将子种群中的各后代与父代间的适应值改进率及选择的差分演化算子索引放入滑动窗口内，直至滑动窗口满；若滑动窗口未满，则随机选择精英解与随机选择的差分演化算子生成后代个体，计算后代与父代的适应值改进率，将适应值改进率及选择的差分演化算子索引保存到滑动窗口中，直至滑动窗口为满。
假定定义滑动窗口的组数为5，子种群内有5个个体，5个个体分别随机在差分演化算子池随机选择差分演化算子，最终的选择结果假定是选择了5中不同的差分演化算子，分别计算5个差分演化算子对应的后代与父代的适应值改进率，之后选择最大适应值改进率对应的差分演化算子来进行该子种群的下一次克隆。
S43、选择滑动窗口中最大适应值改进率对应的差分演化算子对所在的子种群执行后代个体的克隆。当滑动窗口中只存在一个差分演化算子时，随机选择一个差分演化算子执行后代个体的克隆。每个子种群采用相同的执行过程。
S5、基于非支配排序策略，获得所有子种群中的非支配解并构建精英解集：
S6、更新个体评价次数，执行步骤S4，直至个体评价次数达到次数阈值，输出最优解。
本发明设计了一种新颖的基于自适应策略的进化免疫方法，用于优化雾计算资源管理和调度问题。在本方法中，多个差分演化算子组成差分演化算子池。在种群优化过程中，利用滑动窗口保存每个演化算子生成种群个体的适应值，评估每个演化算子的优劣，以自适应的方式选择最优的演化算子执行种群优化过程。本发明改进免疫算法，融合不同的差分演化算子，用于解决多目标雾计算资源管理和调度问题。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (5)

1.一种基于自适应策略的进化免疫方法，其特征在于，所述方法具体包括如下步骤：
S1、初始化参数及构建差分演化算子池；
S2、种群初始化：从差分演化算子池中随机选择差分演化算子，生成种群中的免疫个体，一个免疫个体对应一种雾计算的资源调度方案；
S3、将种群划分为大小相同的若干子种群，计算免疫个体的各目标值，排序保留各目标值下的精英解；
S4、针对每个子种群，基于子种群中后代与父代的自适应值改进率来选择差分演化算子克隆后代；
S5、基于非支配排序策略，获得所有子种群中的非支配解，并构建精英解集；
S6、更新个体评价次数，执行步骤S4，直至个体评价次数达到次数阈值，输出最优解；
目标值基于目标函数来进行计算，所述目标函数由任务完成的时延目标函数、雾节点执行该任务的能源消耗目标函数、及雾节点执行该任务时产生的费用目标函数组成；
时延目标函数具体如下：其中，RTi,j为当前任务i在虚拟资源j上的理论运行时间，TCi,j＝1表示当前任务i在虚拟资源j上运行，反之TCi,j＝0；
能源消耗目标函数表示如下：其中，ECij表示在虚拟资源i中，任务j运行需要耗费的能源；
费用目标函数具体如下：O3＝RTi,j*perDJ；其中，RTi,j表示计算任务i在虚拟资源j中的运行时间，perDJ表示雾节点资源的计算单价；
基于子种群中后代与父代的自适应值改进率来选择差分演化算子克隆后代时，通过种群优化过程中，利用滑动窗口保存每个演化算子生成种群个体的适应值，评估每个演化算子的优劣，以自适应的方式选择最优的演化算子执行种群优化过程。
2.如权利要求1所述基于自适应策略的进化免疫方法，其特征在于，所述步骤S4具体包括如下步骤：
S41、定义滑动窗口，滑动窗口用于保存后代与父代之间适应值改进率及对应差分演化算子索引的二维数组结构；
S42、将子种群中的各后代与父代间的适应值改进率及选择的差分演化算子索引放入滑动窗口内，直至滑动窗口满；
S43、选择滑动窗口中最大适应值改进率对应的差分演化算子来对所在的子种群执行后代个体的克隆。
3.如权利要求2所述基于自适应策略的进化免疫方法，其特征在于，适应值改进率FIR的计算公式具体如下：
其中，pfi表示子代个体的第i个目标值，cfi表示父代个体的第i个目标值。
4.如权利要求2所述基于自适应策略的进化免疫方法，其特征在于，在将子种群中的后代及父代的适应值改进率及选择的差分演化算子均放入滑动窗口内后，若滑动窗口未满，则随机选择精英解与随机选择的差分演化算子生成后代个体，将后代与父代间的适应值改进率及其选择的差分演化算子放入滑动窗口内，直至滑动窗口填满。
5.如权利要求1所述基于自适应策略的进化免疫方法，其特征在于，差分演化算子池由至少2两个差分演化算子组成。
CN202011461165.0A 2020-12-11 2020-12-11 基于自适应策略的进化免疫方法 Active CN112506635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011461165.0A CN112506635B (zh) 2020-12-11 2020-12-11 基于自适应策略的进化免疫方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461165.0A CN112506635B (zh) 2020-12-11 2020-12-11 基于自适应策略的进化免疫方法

Publications (2)

Publication Number Publication Date
CN112506635A CN112506635A (zh) 2021-03-16
CN112506635B true CN112506635B (zh) 2024-03-29

Family

ID=74972350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461165.0A Active CN112506635B (zh) 2020-12-11 2020-12-11 基于自适应策略的进化免疫方法

Country Status (1)

Country Link
CN (1) CN112506635B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596339A (zh) * 2018-03-15 2018-09-28 中山大学 一种构建子种群和子问题的多目标优化遗传算法
CN110321217A (zh) * 2019-03-25 2019-10-11 深圳大学 一种多目标的云资源调度方法、装置、设备及存储介质
CN111191343A (zh) * 2019-12-05 2020-05-22 西安理工大学 一种基于随机排序学习的多模多目标差分演化算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10924534B2 (en) * 2019-03-01 2021-02-16 Akamai Technologies, Inc. Dynamic placement of computing tasks in a distributed computing environment
US20200142735A1 (en) * 2019-09-28 2020-05-07 Intel Corporation Methods and apparatus to offload and onload workloads in an edge environment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596339A (zh) * 2018-03-15 2018-09-28 中山大学 一种构建子种群和子问题的多目标优化遗传算法
CN110321217A (zh) * 2019-03-25 2019-10-11 深圳大学 一种多目标的云资源调度方法、装置、设备及存储介质
CN111191343A (zh) * 2019-12-05 2020-05-22 西安理工大学 一种基于随机排序学习的多模多目标差分演化算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Immune network algorithm applied to the optimization of composite SaaS in cloud computing;S. A. Ludwig and K. Bauer;2015 IEEE Congress on Evolutionary Computation (CEC);20150914;全文 *
具有自学习能力的变异蝙蝠优化算法及性能仿真;尚俊娜;刘春菊;岳克强;李林;;系统仿真学报;20170208(02);全文 *
函数优化问题求解的自适应差分进化算法;张延莉;;内蒙古师范大学学报(自然科学汉文版);20171115(06);全文 *
基于云雾混合计算的车联网联合资源分配算法;唐伦;肖娇;魏延南;赵国繁;陈前斌;;电子与信息学报;20200815(08);全文 *
多目标差分演化算法研究综述;敖友云;迟洪钦;;计算机科学与探索;20090515(03);全文 *
融合区块链与雾计算系统中基于网络时延和资源管理的优化任务卸载方案;刘通;唐伦;何小强;陈前斌;;电子与信息学报;20200915(09);全文 *

Also Published As

Publication number Publication date
CN112506635A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112882815B (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN107172166B (zh) 面向工业智能化服务的云雾计算系统
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN111866954A (zh) 一种基于联邦学习的用户选择和资源分配方法
CN107656799B (zh) 一种多云环境下考虑通信和计算代价的工作流调度方法
CN111585816A (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
ABDULKAREEM et al. OPTIMIZATION OF LOAD BALANCING ALGORITHMS TO DEAL WITH DDOS ATTACKS USING WHALE‎ OPTIMIZATION ALGORITHM
CN110996365B (zh) 一种基于多目标优化模型的异构网络垂直切换算法及系统
CN112685138A (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
CN116107692A (zh) 动态融合遗传算法的边缘容器多目标蚁群优化调度方法
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
Ma et al. NSGA-II with local search for multi-objective application deployment in multi-cloud
Saemi et al. A new optimization approach for task scheduling problem using water cycle algorithm in mobile cloud computing
CN112506635B (zh) 基于自适应策略的进化免疫方法
CN116089083A (zh) 一种多目标数据中心资源调度方法
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN110233763B (zh) 一种基于时序差分学习的虚拟网络嵌入算法
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
Shaodong et al. Multi-step reinforcement learning-based offloading for vehicle edge computing
CN115150335B (zh) 一种基于深度强化学习的最优流量分割的方法和系统
CN116339932A (zh) 资源调度方法、装置和服务器
Bensalem et al. Towards optimal serverless function scaling in edge computing network
CN115016889A (zh) 一种用于云计算的虚拟机优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant